CN117787907A - 散货码头数字孪生可视化堆场智能管控系统及其构建方法 - Google Patents
散货码头数字孪生可视化堆场智能管控系统及其构建方法 Download PDFInfo
- Publication number
- CN117787907A CN117787907A CN202311833793.0A CN202311833793A CN117787907A CN 117787907 A CN117787907 A CN 117787907A CN 202311833793 A CN202311833793 A CN 202311833793A CN 117787907 A CN117787907 A CN 117787907A
- Authority
- CN
- China
- Prior art keywords
- storage yard
- subsystem
- management
- aerial vehicle
- unmanned aerial
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000003860 storage Methods 0.000 title claims abstract description 263
- 230000000007 visual effect Effects 0.000 title claims abstract description 44
- 238000010276 construction Methods 0.000 title claims abstract description 11
- 238000004519 manufacturing process Methods 0.000 claims abstract description 108
- 238000012545 processing Methods 0.000 claims abstract description 75
- 238000007726 management method Methods 0.000 claims description 182
- 239000000463 material Substances 0.000 claims description 45
- 238000000034 method Methods 0.000 claims description 40
- 230000006870 function Effects 0.000 claims description 33
- 230000008569 process Effects 0.000 claims description 25
- 238000009826 distribution Methods 0.000 claims description 24
- 238000005259 measurement Methods 0.000 claims description 24
- 238000001931 thermography Methods 0.000 claims description 24
- 238000004458 analytical method Methods 0.000 claims description 21
- 238000004422 calculation algorithm Methods 0.000 claims description 20
- 238000012937 correction Methods 0.000 claims description 20
- 238000012800 visualization Methods 0.000 claims description 19
- 238000005303 weighing Methods 0.000 claims description 17
- 238000009825 accumulation Methods 0.000 claims description 16
- 238000013528 artificial neural network Methods 0.000 claims description 16
- 238000009529 body temperature measurement Methods 0.000 claims description 16
- 238000013507 mapping Methods 0.000 claims description 16
- 230000008859 change Effects 0.000 claims description 14
- 238000013500 data storage Methods 0.000 claims description 14
- 238000010801 machine learning Methods 0.000 claims description 12
- 238000010586 diagram Methods 0.000 claims description 11
- 238000004088 simulation Methods 0.000 claims description 8
- 238000004891 communication Methods 0.000 claims description 7
- 206010034719 Personality change Diseases 0.000 claims description 6
- 230000008520 organization Effects 0.000 claims description 6
- 238000002485 combustion reaction Methods 0.000 claims description 5
- 230000002269 spontaneous effect Effects 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 4
- 230000003993 interaction Effects 0.000 claims description 4
- 239000010985 leather Substances 0.000 claims description 4
- 230000010354 integration Effects 0.000 abstract description 4
- 238000007689 inspection Methods 0.000 description 12
- 238000005516 engineering process Methods 0.000 description 10
- 239000003245 coal Substances 0.000 description 9
- 238000011161 development Methods 0.000 description 8
- 238000012544 monitoring process Methods 0.000 description 8
- 230000005540 biological transmission Effects 0.000 description 7
- 238000004590 computer program Methods 0.000 description 5
- 239000000284 extract Substances 0.000 description 5
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 4
- 238000001514 detection method Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 239000013307 optical fiber Substances 0.000 description 4
- 230000001939 inductive effect Effects 0.000 description 3
- 238000012546 transfer Methods 0.000 description 3
- 239000013590 bulk material Substances 0.000 description 2
- 230000009977 dual effect Effects 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000003780 insertion Methods 0.000 description 2
- 230000037431 insertion Effects 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 229910052742 iron Inorganic materials 0.000 description 2
- 238000003032 molecular docking Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000012876 topography Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000012384 transportation and delivery Methods 0.000 description 2
- LEONUFNNVUYDNQ-UHFFFAOYSA-N vanadium atom Chemical compound [V] LEONUFNNVUYDNQ-UHFFFAOYSA-N 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 239000000956 alloy Substances 0.000 description 1
- 229910045601 alloy Inorganic materials 0.000 description 1
- 230000003466 anti-cipated effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- 238000011112 process operation Methods 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 239000004557 technical material Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 229910052720 vanadium Inorganic materials 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提出一种散货码头数字孪生可视化堆场智能管控系统,该智能管控系统包括智能管控平台、数据处理中枢装置、无人机子系统、斗轮堆取料机姿态定位子系统和电子秤管理子系统;该智能管控平台集成于一数据处理中枢装置中,该智能管控平台分别与无人机子系统、斗轮堆取料机姿态定位子系统、电子秤管理子系统进行通信;该智能管控平台包括生产业务模块、网络架构定义模块、要素信息供给网络确立模块和功能模型确立模块。本发明又提出一种散货码头数字孪生可视化堆场智能管控系统的构建方法。本发明提高了散货码头在数字孪生可视化堆场智能管控平台的多管理业务的有效集成条件下的管理效率以及减少系统冗余、提高系统鲁棒性。
Description
技术领域
本发明涉及数字孪生及港口智能化控制平台应用技术领域,具体涉及散货码头数字孪生可视化堆场智能管控系统及其构建方法。
背景技术
散货堆场的可视化、智能化、精细化管控,将有效提高港口散料的流转效率,及港区的智能化生产管理水平,在散货港口行业高速流转、集效、滚动式发展中发挥着重要的作用。以煤矿散货码头为例,由于煤矿散货码头作业的复杂性,目前煤矿堆场主要依靠人工根据需要和经验制定堆存信息和堆场作业计划,反馈周期长,效率低,需要大量人力资源,容易出现错误和误差,例如数量、位置等记录不准确的情况,影响操作精度。同时,无法对现场生产进度进行数据共享,无法快速掌握现场生产进度及设备运行情况,为管理层对堆场安全管理、生产运营状况评估及辅助决策提供科学有效的数据依据,已成为制约散货港口高质量深化发展的关键因素。
当前,国内外的散货类港口均在探索智能化、数字化转型,以提高散货堆场生产管理能力、节约人力成本为目标,在打造“绿色、安全、高效、智能”的智慧港口的道路上不断走深走实走细。借助数字孪生技术构建智慧散货可视化堆场管控平台,是提高堆场管理能效、精细化生产疏卸计划、提高货运服务水平、降低人力成本,增强企业核心竞争力的必由之路,将有效提高港口生产管理智能化水平,并助力建设安全高效、绿色可持续发展的现代化港口。但目前缺乏一种借助数字孪生技术重构三维立体的可视化堆场生产场景,将堆场地形地貌、堆存货物、基础设备设施等要素真实还原到孪生空间中的有效科学的散货码头管控平台,而且目前的港口控制平台无法满足散货码头在数字孪生可视化下进行高效且稳定的多管理业务的有效集成,现有的港口控制系统平台若不进行数字化改造直接应用数字孪生技术容易出现系统冗余且鲁棒性差。
发明内容
有鉴于此,有必要针对上述的问题,提出涉及散货码头数字孪生可视化堆场智能管控系统及其构建方法,以克服上述背景技术中的缺点,从而解决以下技术问题:如何提高散货码头在数字孪生可视化堆场智能管控平台的多管理业务的有效集成条件下的管理效率。
为实现上述目的,本发明采取以下的技术方案:
本发明提出一种散货码头数字孪生可视化堆场智能管控系统,该智能管控系统包括智能管控平台、数据处理中枢装置、无人机子系统、斗轮堆取料机姿态定位子系统和电子秤管理子系统;该智能管控平台集成于一数据处理中枢装置中,数据处理中枢装置通过若干台应用服务器、预置的虚拟化软件和操作系统进行搭建,数据处理中枢装置用于分析处理无人机子系统和斗轮堆取料机姿态定位子系统的三维信息;
该智能管控平台分别与无人机子系统、斗轮堆取料机姿态定位子系统、电子秤管理子系统进行通信,无人机子系统用于获取堆场真实三维地理信息,并重塑堆场孪生三维空间模型,从而生成堆场数字生产场景;斗轮堆取料机姿态定位子系统用于获取斗轮堆取料机的三维姿态数据;电子秤管理子系统用于获取码头指定电子秤的皮电子秤作业参数信息;
该智能管控平台包括生产业务模块、网络架构定义模块、要素信息供给网络确立模块和功能模型确立模块;生产业务模块用于集成分析关于码头散货集散疏运的生产业务信息;要素信息供给网络确立模块用于确定以堆场真实三维地理信息为基础框架的可操作数据存储模型;
功能模型确立模块用于向可操作数据存储模型反映通过无人机子系统、生产业务模块、斗轮堆取料机姿态定位子系统和电子秤管理子系统进行机器自学习获得的叠加关系式,从而通过数据处理中枢装置的一基础层和数据处理中枢装置的一平台系统操作层实现所有关系式的闭环,该基础层由堆场孪生场景、生产信息源、斗轮堆取料机姿态和电子秤称量构筑。
进一步地,所述无人机子系统包括无人机、视频录制模组、设于无人机上的3D建模单元、设于无人机上的热成像测温单元和飞行管理中心单元;
无人机作为飞行至散货码头上空作业的飞行载体;视频录制模组用于录制散货码头作业现场的视频信息;3D建模单元用于对散货码头作业现场进行3D扫描建模;热成像测温单元用于对散货码头作业现场进行测温从而生成热成像测温信息;飞行管理中心单元用于集成处理视频录制模组、3D建模单元和热成像测温单元的信息,生成堆场料堆三维数字孪生空间模型并将堆场料堆三维数字孪生空间模型传输至数据处理中枢装置,然后将经数据处理中枢装置处理的堆场料堆三维数字孪生空间模型送至智能管控平台。
进一步地,数据处理中枢装置内设有建模服务器,该建模服务器运行内置的制图测绘软件自主汇总、分析、校验并建模,该建模服务器完成建模后将堆场料堆三维数字孪生空间模型发送至飞行管理中心单元,飞行管理中心单元处理完成后将堆场料堆三维数字孪生空间模型发送至智能管控平台;
飞行管理中心单元将散货堆场分成多个区域,然后选取关键节点并使用数据处理中枢装置的多台虚拟建模服务器分区域分节点同时建模,然后将获得的区域航拍模型上传至数据处理中枢装置的IDC服务器资源池中,通过数据处理中枢装置的承接最终建模的汇集虚拟建模服务器完成模型拼接,最后得到反映堆场生产的堆场料堆三维数字孪生空间模型。
进一步地,无人机子系统还包括无人机智能充电机库,飞行管理中心单元集成于数据处理中枢装置中,无人机子系统进行热成像测温过程包括如下步骤S100-S300:
S100,飞行管理中心单元下发测温任务至无人机智能充电机库,无人机智能充电机库检查、校验无人机性能、气象条件及RTK定位卫星数量,满足起飞条件后,根据作业指令驱动无人机进行巡航任务,然后执行S200;
S200,无人机按照已设定好并经过验证的任务航线指令飞行,完成任务后自动返航降落到无人机智能充电机库,然后将热成像测温单元的倾斜摄像资料通过局域网传输至数据处理中枢装置,无人机智能充电机库为无人机与数据处理中枢装置的通信提供数据接口,然后执行S300;
S300,飞行管理中心单元的建模服务器自主汇总、分析、处理后,将堆场料堆表面温度信息记录并自动匹配至料堆全景三维模型中,当料堆表面温度超过设定温度阈值,发出自燃预警。
进一步地,无人机子系统进行3D建模过程包括如下步骤S1000-S2000:
S1000,将堆场流转变量采用数字高程模型与不同时间节点的堆场高程数据、空堆场高程数据进行比对校验,达成固定地理坐标差值最小化,以保证数字高程模型精确度,并使用地理信息系统展示堆场高程空间分布,然后执行S2000;
S2000,运用无人机倾斜摄影测绘照片,并采用连续方块化等值线方式实现堆场高程空间分布实景还原。
进一步地,该智能管控平台还包括机器学习模块,该机器学习模块设有一神经网络回归算法模型,该智能管控平台与斗轮堆取料机姿态定位子系统的交互过程包括如下步骤S10-S20;
S10,通过神经网络回归算法模型,提取斗轮堆取料机姿态定位子系统中斗轮机在一段时间内的姿态变化数据和堆场可视化系统的高程信息,然后执行S20;
S20,机器学习模块在线学习、生成斗轮堆取料机姿态函数,使得斗轮堆取料机姿态定位子系统反馈值于视频录制模组的产生摄像值的误差最小,并修正斗轮机变化运动轨迹,并将运动轨迹置于堆场高程模型上展示,从而实时显示斗轮机作业运动变化,为库场管理、生产组织提供重要的准确的决策数据支持。
进一步地,生产业务模块包括以下的一个、任意两个或三个工作任务:
任务①,从导入的堆存信息计划表获取堆场货源信息;
任务②,提取电子秤管理子系统一段时间内的作业信息;
任务③,提取一段时间内的堆存累计分析模型,然后在线学习关于堆场料堆的体积测算及堆场料堆的重量推测数据相对实际出货量及堆场库存量的修正系数,然后生成堆场可视化系统的体积测算及其重量推测修正函数。
进一步地,飞行管理中心单元将散货堆场分成多个区域的过程包括以下步骤:
步骤一,飞行管理中心单元整理根据现场堆场分布情况,规划出三个建模范围与三维重建周期基于相同的区域,然后在全景建模航线上将不同航点归入不同建模区域,并构筑三维地标,然后执行步骤二;
步骤二,无人机巡检完后,回传摄像数据至数据处理中枢装置的建模拟化资源池,飞行管理中心单元整理根据摄像数据的三维地标,导入至数据处理中枢装置的建模分服务器中并完成分区域建模,飞行管理中心单元再根据分界三维地标对分区域模型进行拟合拼接,从而得到堆场孪生三维空间模型。
本发明又提出一种散货码头数字孪生可视化堆场智能管控系统的构建方法,所述的散货码头数字孪生可视化堆场智能管控系统包括智能管控平台、数据处理中枢装置、无人机子系统、斗轮堆取料机姿态定位子系统和电子秤管理子系统,该构建方法包括以下步骤:
S1,安装数据处理中枢装置、无人机子系统、斗轮堆取料机姿态定位子系统和电子秤管理子系统,然后执行S2;
S2,智能管控平台集成于一数据处理中枢装置中,将智能管控平台分别与无人机子系统、斗轮堆取料机姿态定位子系统、电子秤管理子系统进行通信;
S2包括以下步骤:
S21,定义网络架构:将智能管控平台、无人机子系统、斗轮堆取料机姿态定位子系统和电子秤管理子系统定义为物理设备的组合构成的要素信息供给网络,然后执行S22;
S22,确立要素信息供给网络:确定以堆场真实三维地理信息为基础框架的可操作数据存储模型,然后执行S23;
S23,确立机器自学习系统模型:向于S22中确立的可操作数据存储模型反映一叠加关系式,该叠加关系式通过对智能管控平台、无人机子系统、斗轮堆取料机姿态定位子系统和电子秤管理子系统的数据进行机器自学习而获得,以形成通过由堆场孪生场景-生产信息源-斗轮堆取料机姿态-电子秤称量构筑的基础层和平台系统操作层实现的所有关系式的闭环。
进一步地,S2还包括于S23之后执行的步骤:
S24,将堆场流转变量采用数字高程模型与不同时间节点的堆场高程数据、空堆场高程数据进行比对校验,从而达成固定地理坐标差值最小化,保证数字高程模型精确度;然后使用地理信息系统展示堆场高程空间分布,运用无人机倾斜摄影测绘照片,采用连续方块化等值线方式实现堆场高程空间分布实景还原,然后执行S25;
S25,搭建神经网络回归算法模型,提取斗轮堆取料机姿态定位子系统中斗轮机在一段时间内的姿态变化数据和无人机子系统的高程信息,通过神经网络回归算法模型在线学习、生成斗轮堆取料机姿态函数,使得斗轮堆取料机姿态定位子系统反馈值于智能管控平台摄像值产生的误差最小,并修正斗轮机变化运动轨迹,并将运动轨迹置于堆场高程模型上展示,实时显示斗轮机作业运动变化,为库场管理、生产组织提供重要的准确的决策数据支持,然后执行S26;
S26,将散货码头数字孪生可视化堆场以实际堆场堆位、米数及货源进行矩形化划分,并分图层显示,堆场堆位以空堆场RTK数据为框架,构建矩形堆场的点面,堆场米数以堆场实际米数标识方向标注,然后执行S27;
S27,从导入的堆存信息计划表获取堆场货源信息,然后以堆位、米数为抓取基准,在堆场高程空间分布孪生数字堆场实景图上划定货源矩形区域,并采用多图层展示;并且提取电子秤管理子系统一段时间内的系统作业信息,构建堆存累计分析模型,分析库场作业数据,综合分析结果对平台堆场矩形化管理数据进行清洗、整理,并建立生产单个、多个或全部堆场的作业曲线模型、库场堆存模型及堆存计划指导模型,然后执行S28;
S28,平台提取一段时间内的堆存累计分析模型,以大船名、货量、靠离港时间为提取基准,获取同一大船、同一单号、同一票货的散货堆存累计变化信息,再采用若干层神经网络的回归算法模型,运用机器自学习平台,在线学习智能管控平台的体积测算及其重量推测数据相对实际出货量及堆场库存量的修正系数,生成堆场可视化系统的体积测算及其重量推测修正函数,然后执行S29;
S29,通过网络客户端远程登录,借助推流-拉流-专线查看散货码头数字孪生可视化堆场。
本发明的有益效果为:
本发明提高了散货码头在数字孪生可视化堆场智能管控平台的多管理业务的有效集成条件下的管理效率及系统鲁棒性,减少了系统冗余;
本发明借助数字孪生技术重构三维立体的可视化堆场生产场景,将码头堆场地形地貌、堆存货物、基础设备设施等要素真实还原到孪生空间中,可有效帮助管理人员直观掌控码头堆场整体动态,对提高码头堆场管理效能,为助力生产高效连贯有序开展发挥积极作用,为企业的降本、提质、增效提供有力的技术支持;本发明以真实堆场的基础三维地理信息为核心,综合遥感摄像、电子地图和三维料堆航拍模型、斗轮堆取料机姿态定位、电子秤、生产业务信息等多元数据,重塑堆场孪生三维空间模型,可实现堆存体积精确测绘及其重量推测、温度异常检测、散货“插旗”精细化管理、斗轮堆取料机生产轨迹监控、货运质量及货物生命周期全过程跟踪、堆场生产态势分析、信息推送等功能,为提高散货堆场智能化生产管理水平,减低人工巡检劳动强度,为南方散货港口露天堆场的无人智能管理提供有效技术支持。
附图说明
包含附图以提供对本发明的进一步理解,并且附图并入本说明书中并构成本说明书的一部分。附图示出了本发明的示例性实施例,并且与说明书一起用于解释本发明的原理。这些图仅用于说明,因此并不是对本发明的限制。
图1为本发明的散货码头数字孪生可视化堆场智能管控系统于实施例1的工作原理图;
图2为本发明的散货码头数字孪生可视化堆场智能管控系统于实施例2的工作原理图;
图3为本发明的一种散货码头数字孪生可视化堆场智能管控系统的构建方法于实施例2的工作流程图;
图4为本发明的散货码头数字孪生可视化堆场智能管控系统于实施例3的工作原理图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合本发明实施例,对本发明的技术方案作进一步清楚、完整地描述。需要说明的是,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
“第一”、“第二”、“第三”、“第四”等术语仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”、“第三”、“第四”特征可以明示或者隐含地包括一个或者更多个该特征。
以下是在附图中描绘的本发明的实施例的详细描述。实施例是详细的以便清楚地传达本发明。然而,所提供的细节数量并不旨在限制实施例的预期变化;相反,其目的是涵盖落入由所附权利要求限定的本发明的精神和范围内的所有修改、等同物和替代物。
在以下描述中,阐述了许多具体细节以便提供对本发明实施例的透彻理解。对于本领域技术人员显而易见的是,可以在没有这些具体细节中的一些的情况下实施本发明的实施例。
本发明的实施例包括各种步骤,下面将对其进行描述。这些步骤可以由硬件组件执行,或者可以包含在机器可执行指令中,其可以用于使用指令编程的通用或专用处理器以执行这些步骤。或者,可以通过硬件、软件和固件的组合和/或人工操作员来执行步骤。
可以通过将包含根据本发明的代码的一个或多个机器可读存储介质与适当的标准计算机硬件组合以执行其中包含的代码来实践本文描述的各种方法。用于实施本发明的各种实施例的装置可以包括一个或多个计算机(或单个计算机内的一个或多个处理器)和包含或具有对根据本文描述的各种方法编码的计算机程序的网络访问的存储系统,并且本发明的方法步骤可以通过计算机程序产品的模块、例程、子例程或子部分来完成。
如果说明书陈述了组件或特征“可以”、“能够”、“可以”或“可能”包括或具有特征,则不需要包括该特定组件或特征或具有该特征。
如本文的说明书和随后的权利要求中所使用的,“一”、“一个”和“该”的含义包括复数指代,除非上下文另有明确说明。此外,如在本文的描述中所使用的,除非上下文另有明确规定,否则“在...中”的含义包括“在...中”和“在......上”。
现将在下文中参考附图更全面地描述示例性实施例,其中示出了示例性实施例。提供这些示例性实施例仅用于说明目的,并且以使得本发明彻底和完整,并且将本发明的范围完全传达给本领域普通技术人员。然而,所公开的发明可以以许多不同的形式实施,并且不应该解释为限于本文中所阐述的实施例。对于本领域技术人员来说,各种修改是显而易见的。在不脱离本发明的精神和范围的情况下,本文定义的一般原理可以应用于其他实施例和应用。此外,本文叙述的本发明的实施例及其具体示例的所有陈述旨在涵盖其结构和功能等同物。另外,这些等同物旨在包括当前已知的等同物以及将来开发的等同物(即,开发的执行相同功能的任何元件,而不管结构如何)。而且,所使用的术语和措辞是出于描述示例性实施例的目的,而不应认为是限制性的。因此,本发明将被赋予最广泛的范围,包括与所公开的原理和特征一致的多种替换、修改和等同物。为了清楚起见,没有详细描述与本发明相关的技术领域中已知的技术材料的细节,以免不必要地模糊本发明。
因此,例如,本领域普通技术人员将理解,示意图、原理图,图示等表示体现本发明的系统和方法的概念视图或过程。可以通过使用专用硬件以及能够执行相关软件的硬件来提供图中所示的各种元件的功能。类似地,图中所示的任何开关仅是概念性的。它们的功能可以通过程序逻辑的操作、通过专用逻辑、通过程序控制和专用逻辑的交互、或甚至手动地执行,特定技术可由实现本发明的实体选择。本领域普通技术人员应进一步理解,本文描述的示例性硬件、软件、过程、方法和/或操作系统是出于说明性目的,因此不旨在限于任何特定的所命名的元件。
本发明的实施例可以提供作为计算机程序产品,其可以包括有形地在其上实现指令的机器可读存储介质,其可以用于对计算机(或其他电子设备)进行编程以执行处理。机器可读介质可以包括非暂时性介质,其中数据可以存储并且不包括无线或有线连接传播的载波和/或瞬时电子信号。非暂时性介质的示例可以包括但不限于磁盘或磁带,光学存储介质诸如压缩盘(CD)或数字通用盘(DVD),闪存,存储器或存储器设备。计算机程序产品可以包括代码和/或机器可执行指令,其可以表示过程、功能、子程序、程序、例程、子例程、模块、软件包、类或指令、数据结构或程序语句的任何组合。通过传递和/或接收信息、数据、变量、参数或存储器内容,代码段可以与另一代码段或者硬件电路耦合。信息、变量、参数、数据等可以通过任何合适的手段传递、转发或传输,包括存储器共享、消息传递、令牌传递、网络传输等。
此外,实施例可以通过硬件、软件、固件、中间件、微代码、硬件描述语言或其任何组合来实现。当在软件、固件、中间件或微代码中实现时,执行必要任务的程序代码或代码段(例如,计算机程序产品)可以存储在机器可读介质中。处理器可以执行必要的任务。
可以以各种配置提供一些附图中描绘的系统。在一些实施例中,系统可以配置为分布式系统,其中系统的一个或多个组件分布在云计算系统中的一个或多个网络上。
所附权利要求中的每一个限定了一项单独的发明,出于侵权目的,该发明认为包括权利要求中指定的各种元件或限制的等同物。根据上下文,以下对“发明”的所有引用在某些情况下可能仅指某些特定实施例。在其他情况下,应该认识到对“发明”的引用将指代一个或多个但不一定是所有权利要求中所述的主题。
除非本文另有说明或上下文明显矛盾,否则本文所述的所有方法可以以任何合适的顺序进行。关于本文的某些实施例提供的任何和所有示例或示例性语言(例如,“诸如”)的使用仅旨在更好地说明本发明,而不是对要求保护的本发明的范围构成限制。说明书中的任何语言都不应解释为表示对于本发明的实施必不可少的任何未要求保护的元件。
本文使用的各种术语如下所示。在下面没有定义权利要求中使用的术语的情况下,应该给出最广泛的定义,相关领域的人员已经给出了在提交申请时在印刷出版物和已授权专利中的反映的该术语。
实施例1
如图1所示:
本实施例提出一种散货码头数字孪生可视化堆场智能管控系统,该智能管控系统包括智能管控平台、数据处理中枢装置、无人机子系统、斗轮堆取料机姿态定位子系统和电子秤管理子系统;该智能管控平台集成于一数据处理中枢装置中,数据处理中枢装置通过若干台应用服务器、预置的虚拟化软件和操作系统进行搭建,数据处理中枢装置用于分析处理无人机子系统和斗轮堆取料机姿态定位子系统的三维信息;
该智能管控平台分别与无人机子系统、斗轮堆取料机姿态定位子系统、电子秤管理子系统进行通信,无人机子系统用于获取堆场真实三维地理信息,并重塑堆场孪生三维空间模型,从而生成堆场数字生产场景;斗轮堆取料机姿态定位子系统用于获取斗轮堆取料机的三维姿态数据;电子秤管理子系统用于获取码头指定电子秤的皮电子秤作业参数信息;
该智能管控平台包括生产业务模块、网络架构定义模块、要素信息供给网络确立模块和功能模型确立模块;生产业务模块用于集成分析关于码头散货集散疏运的生产业务信息;要素信息供给网络确立模块用于确定以堆场真实三维地理信息为基础框架的可操作数据存储ODS模型;
功能模型确立模块用于向可操作数据存储ODS模型反映通过无人机子系统、生产业务模块、斗轮堆取料机姿态定位子系统和电子秤管理子系统进行机器自学习获得的叠加关系式,从而通过数据处理中枢装置的一基础层和数据处理中枢装置的一平台系统操作层实现所有关系式的闭环,该基础层由堆场孪生场景、生产信息源、斗轮堆取料机姿态和电子秤称量构筑。
进一步优化地,所述无人机子系统包括无人机、视频录制模组、设于无人机上的3D建模单元、设于无人机上的热成像测温单元和飞行管理中心单元;
无人机作为飞行至散货码头上空作业的飞行载体;视频录制模组用于录制散货码头作业现场的视频信息;3D建模单元用于对散货码头作业现场进行3D扫描建模;热成像测温单元用于对散货码头作业现场进行测温从而生成热成像测温信息;飞行管理中心单元用于集成处理视频录制模组、3D建模单元和热成像测温单元的信息,生成堆场料堆三维数字孪生空间模型并将堆场料堆三维数字孪生空间模型传输至数据处理中枢装置,然后将经数据处理中枢装置处理的堆场料堆三维数字孪生空间模型送至智能管控平台。
具体地,该智能管控平台还包括网络架构定义模块,网络架构定义模块用于定义为物理设备的组合构成的要素信息供给网络;斗轮堆取料机姿态定位子系统包括堆取料三维姿态定位单元组合、大车位置校准单元组合;堆取料三维姿态定位单元组合由大车行进位置记录单元、回转位置记录单元、臂架升降角度检测单元组成;大车位置校准单元组合包括RFID阅读头和磁钉,所述RFID阅读头安装于堆取料机接受皮带的机架上,所述RFID阅读头安装与堆取料机尾车横梁靠近地面改向滚筒附近;电子秤管理子系统为散货港口卸船码头前沿、堆取料机臂架称、及装驳码头前沿的皮带电子秤的统筹管控平台。
进一步优化地,数据处理中枢装置内设有建模服务器,该建模服务器运行内置的制图测绘软件自主汇总、分析、校验并建模,该建模服务器完成建模后将堆场料堆三维数字孪生空间模型发送至飞行管理中心单元,飞行管理中心单元处理完成后将堆场料堆三维数字孪生空间模型发送至智能管控平台;
飞行管理中心单元将散货堆场分成多个区域,然后选取关键节点并使用数据处理中枢装置的多台虚拟建模服务器分区域分节点同时建模,然后将获得的区域航拍模型上传至数据处理中枢装置的IDC服务器(即数据中心服务器)资源池中,通过数据处理中枢装置的承接最终建模的汇集虚拟建模服务器完成模型拼接,最后得到反映堆场生产的堆场料堆三维数字孪生空间模型。
具体地,飞行管理中心单元采用分区域分界点的方式集群建模,即将散料堆场根据现场实际的关键区域、关键节点模块化切割为3个部分;无人机完成建模巡检任务后,将堆场摄像数据上传至数据处理中枢装置的建模拟化资源池,飞行管理中心单元整理、汇总、分析后,依据划分的3个区域空间三维分割线分别将各个区域相涉及的摄像资料发送至不同的3个建模分服务器中,建模分服务器完成建模后将完成的区域三维模型存储于模型汇集拟化资源池中,飞行管理中心单元从模型汇集拟化资源池中提取全部区域模型并进行整合,处理后得到料堆的全景三维模型;飞行管理中心单元将料堆全景三维模型发送至全景拟化资源池中,可让智能管控平台进行调用。
进一步优化地,无人机子系统还包括无人机智能充电机库,飞行管理中心单元集成于数据处理中枢装置中,无人机子系统进行热成像测温过程包括如下步骤S100-S300:
S100,飞行管理中心单元下发测温任务至无人机智能充电机库,无人机智能充电机库检查、校验无人机性能、气象条件及RTK定位卫星数量,满足起飞条件后,根据作业指令驱动无人机进行巡航任务,然后执行S200;
S200,无人机按照已设定好并经过验证的任务航线指令飞行,完成任务后自动返航降落到无人机智能充电机库,然后将热成像测温单元的倾斜摄像资料通过局域网传输至数据处理中枢装置,无人机智能充电机库为无人机与数据处理中枢装置的通信提供数据接口,然后执行S300;
S300,飞行管理中心单元的建模服务器自主汇总、分析、处理后,将堆场料堆表面温度信息记录并自动匹配至料堆全景三维模型中,当料堆表面温度超过设定温度阈值,发出自燃预警。
进一步优化地,无人机子系统进行3D建模过程包括如下步骤S1000-S2000:
S1000,将堆场流转变量采用数字高程模型与不同时间节点的堆场高程数据、空堆场高程数据进行比对校验,达成固定地理坐标差值最小化,以保证数字高程模型DEM精确度,并使用地理信息系统GIS展示堆场高程空间分布,然后执行S2000;
S2000,运用无人机倾斜摄影测绘照片,并采用连续方块化等值线方式实现堆场高程空间分布实景还原。
进一步优化地,该智能管控平台还包括机器学习模块,该机器学习模块设有一神经网络回归算法模型,该智能管控平台与斗轮堆取料机姿态定位子系统的交互过程包括如下步骤S10-S20;
S10,通过神经网络回归算法模型,提取斗轮堆取料机姿态定位子系统中斗轮机在一段时间内的姿态变化数据和堆场可视化系统的高程信息,然后执行S20;
S20,机器学习模块在线学习、生成斗轮堆取料机姿态函数,使得斗轮堆取料机姿态定位子系统反馈值于视频录制模组的产生摄像值的误差最小,并修正斗轮机变化运动轨迹,并将运动轨迹置于堆场高程模型上展示,从而实时显示斗轮机作业运动变化,为库场管理、生产组织提供重要的准确的决策数据支持。
进一步优化地,生产业务模块包括以下的一个、任意两个或三个工作任务:
任务①,从导入的堆存信息计划表获取堆场货源信息;具体地,从生产业务系统、外部导入的堆存信息计划表获取堆场货源信息,包含但不限于大船名、接卸单号、堆位、米数、货量、来源、靠离港时间等,然后平台以堆位、米数为抓取基准,在堆场高程空间分布实景图(即孪生数字堆场)上划定货源矩形区域,并采用多图层展示;
任务②,提取电子秤管理子系统一段时间内的作业信息;具体地,平台提取电子秤集中管理子系统一段时间内的系统作业信息,包含作业流程、作业堆位及米数,卸船量、装驳量、皮带余料等,综合无人机子系统的体积测算及其重量推测数据,智能管控平台的生产业务模块的卸船量、转栈量、装驳量、装卡量等构建堆存累计分析模型,分析库场作业数据,综合分析结果对平台堆场矩形化管理数据进行清洗、整理,并建立生产单个、多个、全部堆场的作业曲线模型、库场堆存模型及堆存计划指导模型,为生产决策提供实时的、精确的运营数据,生成科学的堆场管理策略;
任务③,提取一段时间内的堆存累计分析模型,然后在线学习关于堆场料堆的体积测算及堆场料堆的重量推测数据相对实际出货量及堆场库存量的修正系数,然后生成堆场可视化系统的体积测算及其重量推测修正函数;具体地,提取一段时间内的堆存累计分析模型,以大船名、货量、靠离港时间为提取基准,获取同一大船、同一单号、同一票货的散货堆存累计变化信息,再采用5层神经网络的回归算法模型,运用机器自学习平台,在线学习堆场可视化系统的体积测算及其重量推测数据相对实际出货量(具体为去商务实际出货量)及堆场库存量的修正系数,生成堆场可视化系统的体积测算及其重量推测修正函数,优化提高散货体积测算及其重量推测精确度,使其误差稳定在1%以内。
进一步优化地,飞行管理中心单元将散货堆场分成多个区域的过程包括以下步骤:
步骤一,飞行管理中心单元整理根据现场堆场分布情况,规划出三个建模范围与三维重建周期基于相同的区域,然后在全景建模航线上将不同航点归入不同建模区域,并构筑三维地标,然后执行步骤二;具体地,飞行管理中心单元采用分区域分界点的方式集群建模,即将散料堆场根据现场实际的关键区域、关键节点模块化切割为3个部分;无人机完成建模巡检任务后,将堆场摄像数据上传至建模拟化资源池,飞行管理中心单元整理、汇总、分析后,依据划分的3个区域空间三维分割线分别将各个区域相涉及的摄像资料发送至不同的3个建模分服务器中,建模分服务器完成建模后将完成的区域三维模型存储于模型汇集拟化资源池中,飞行管理中心单元从模型汇集拟化资源池中提取全部区域模型并进行整合,处理后得到料堆的全景三维模型;飞行管理中心单元将料堆全景三维模型发送至全景拟化资源池中,可让智能管控平台进行调用。
步骤二,无人机巡检完后,回传摄像数据至数据处理中枢装置的建模拟化资源池,飞行管理中心单元整理根据摄像数据的三维地标,导入至数据处理中枢装置的建模分服务器中并完成分区域建模,飞行管理中心单元再根据分界三维地标对分区域模型进行拟合拼接,从而得到堆场孪生三维空间模型;具体地,所述的分区域集群建模不仅可降低对建模服务器性能的要求,还可克服建模软件本身的限制,在无法提高服务器性能及优化软件策略时,分区域集群建模通过化整为零,可大幅缩减数字堆场的孪生时间,为堆场管理提供更快、更及时的数字生产场景,从而提高数字孪生堆场的数据实时性,提高其在生产决策中的参考价值。同时分区域集群建模的高效及时才可充分发挥智能管控平台的真正作用,达到远观就是现场的效果,促进堆场管理向绿色、平安、智能发展的新征程迈进。
实施例2
如图2、图3所示:
本实施例提出一种散货码头数字孪生可视化堆场智能管控系统的构建方法,所述的散货码头数字孪生可视化堆场智能管控系统包括智能管控平台、数据处理中枢装置、无人机子系统、斗轮堆取料机姿态定位子系统和电子秤管理子系统,该构建方法包括以下步骤:
S1,安装数据处理中枢装置、无人机子系统、斗轮堆取料机姿态定位子系统和电子秤管理子系统,然后执行S2;
S2,智能管控平台集成于一数据处理中枢装置中,将智能管控平台分别与无人机子系统、斗轮堆取料机姿态定位子系统、电子秤管理子系统进行通信;
S2包括以下步骤:
S21,定义网络架构:将智能管控平台、无人机子系统、斗轮堆取料机姿态定位子系统和电子秤管理子系统定义为物理设备的组合构成的要素信息供给网络,然后执行S22;
S22,确立要素信息供给网络:确定以堆场真实三维地理信息为基础框架的可操作数据存储ODS模型,然后执行S23;
S23,确立机器自学习系统模型:向于S22中确立的可操作数据存储ODS模型反映一叠加关系式,该叠加关系式通过对智能管控平台、无人机子系统、斗轮堆取料机姿态定位子系统和电子秤管理子系统的数据进行机器自学习而获得,以形成通过由堆场孪生场景-生产信息源-斗轮堆取料机姿态-电子秤称量构筑的基础层和平台系统操作层实现的所有关系式的闭环。
进一步优化地,S2还包括于S23之后执行的步骤:
S24,将堆场流转变量采用数字高程模型与不同时间节点的堆场高程数据、空堆场高程数据进行比对校验,从而达成固定地理坐标差值最小化,保证数字高程模型DEM精确度;然后使用地理信息系统GIS展示堆场高程空间分布,运用无人机倾斜摄影测绘照片,采用连续方块化等值线方式实现堆场高程空间分布实景还原,然后执行S25;
S25,搭建神经网络回归算法模型,提取斗轮堆取料机姿态定位子系统中斗轮机在一段时间内的姿态变化数据和无人机子系统的高程信息,通过神经网络回归算法模型在线学习、生成斗轮堆取料机姿态函数,使得斗轮堆取料机姿态定位子系统反馈值于智能管控平台摄像值产生的误差最小,并修正斗轮机变化运动轨迹,并将运动轨迹置于堆场高程模型上展示,实时显示斗轮机作业运动变化,为库场管理、生产组织提供重要的准确的决策数据支持,然后执行S26;
S26,将散货码头数字孪生可视化堆场以实际堆场堆位、米数及货源进行矩形化划分,并分图层显示,堆场堆位以空堆场RTK(实时动态载波相位差分技术)数据为框架,构建矩形堆场的点面,堆场米数以堆场实际米数标识方向标注,
然后执行S27;
S27,从导入的堆存信息计划表获取堆场货源信息,然后以堆位、米数为抓取基准,在堆场高程空间分布孪生数字堆场实景图上划定货源矩形区域,并采用多图层展示;并且提取电子秤管理子系统一段时间内的系统作业信息,构建堆存累计分析模型,分析库场作业数据,综合分析结果对平台堆场矩形化管理数据进行清洗、整理,并建立生产单个、多个或全部堆场的作业曲线模型、库场堆存模型及堆存计划指导模型,然后执行S28;于S27具体地,堆存信息计划表从生产业务模块、外部的堆存信息计划表进行导入;于S27具体地,堆场货源信息包含但不限于大船名、接卸单号、堆位、米数、货量、来源、靠离港时间等;于S27具体地,所述的系统作业信息包含作业流程、作业堆位及米数,卸船量、装驳量、皮带余料等;于S27具体地,综合无人机子系统的体积测算及其重量推测数据,生产业务模块的卸船量、转栈量、装驳量、装卡量等构建堆存累计分析模型;S27为生产决策提供实时的、精确的运营数据,生成科学的堆场管理策略;
S28,平台提取一段时间内的堆存累计分析模型,以大船名、货量、靠离港时间为提取基准,获取同一大船、同一单号、同一票货的散货堆存累计变化信息,再采用若干层(优选为5层)神经网络的回归算法模型,运用机器自学习平台,在线学习智能管控平台的体积测算及其重量推测数据相对实际出货量(具体是去商务实际出货量)及堆场库存量的修正系数,生成堆场可视化系统的体积测算及其重量推测修正函数,然后执行S29;S28优化提高了散货体积测算及其重量推测精确度,使其误差稳定在1%以内;
S29,通过网络客户端远程登录,借助推流-拉流-专线查看散货码头数字孪生可视化堆场;S2实现了全天候的堆场巡检、带堆、理货,通过堆场可视化系统、斗轮堆取料机姿态定位子系统、电子秤集中管理系统、生产业务系统实现生产场景数字化,孪生生态实时、精确;机器自学习深入修正,为现代化港口的智慧发展探索做出了贡献。
实施例3
如图4所示:
本实施例提出一种散货码头数字孪生可视化堆场智能管控系统,该智能管控系统包括智能管控平台、数据处理中枢装置、无人机子系统、斗轮堆取料机姿态定位子系统和电子秤管理子系统;该智能管控平台集成于一数据处理中枢装置中,数据处理中枢装置通过若干台应用服务器、预置的虚拟化软件和操作系统进行搭建,数据处理中枢装置用于分析处理无人机子系统和斗轮堆取料机姿态定位子系统的三维信息;
该智能管控平台分别与无人机子系统、斗轮堆取料机姿态定位子系统、电子秤管理子系统进行通信,无人机子系统用于获取堆场真实三维地理信息,并重塑堆场孪生三维空间模型,从而生成堆场数字生产场景;斗轮堆取料机姿态定位子系统用于获取斗轮堆取料机的三维姿态数据;电子秤管理子系统用于获取码头指定电子秤的皮电子秤作业参数信息;
该智能管控平台包括生产业务模块、网络架构定义模块、要素信息供给网络确立模块和功能模型确立模块;生产业务模块用于集成分析关于码头散货集散疏运的生产业务信息;要素信息供给网络确立模块用于确定以堆场真实三维地理信息为基础框架的可操作数据存储ODS模型;
功能模型确立模块用于向可操作数据存储ODS模型反映通过无人机子系统、生产业务模块、斗轮堆取料机姿态定位子系统和电子秤管理子系统进行机器自学习获得的叠加关系式,从而通过数据处理中枢装置的一基础层和数据处理中枢装置的一平台系统操作层实现所有关系式的闭环,该基础层由堆场孪生场景、生产信息源、斗轮堆取料机姿态和电子秤称量构筑。
具体地,无人机子系统包括飞行管理中心、视频刻录系统、RTK飞行器和智能充电机库,所述RTK飞行器最大水平飞行速度不小于23m/s、最大可承受风速为12m/s-15m/s、最大飞行时间不少于55min、最大飞行海拔高度为5000m(2110桨叶,起飞重量≤7kg)、重量(含下置单云台支架、双电池)不大于6.3kg,可独立搭载倾斜摄影测绘的3D建模模组、热成像测温模组,所述智能充电机库包含无人机自动充电机棚、气象站及安全监控摄像机,所述飞行管理中心以堆场真实三维地理信息为核心,综合堆场航拍遥感摄像、基础电子地图和料堆三维航拍模型等多元数据,重塑堆场孪生三维空间模型,生成堆成数字生产场景,所述视频刻录系统包含拉流、推流及刻录设备,可将无人机智能巡航期间,无人机云台支架上的模组视频实时存储于刻录设备中,实现建模、测温模组摄像头巡检画面的存储及回放功能,为提高货运服务水平,做到生产有迹可循提供重要支持。
具体地,所述斗轮堆取料机姿态定位子系统包含堆取料三维姿态定位系统、大车位置校准系统,所述堆取料三维姿态定位子系统由大车行进位置记录单元、回转位置记录单元、臂架升降角度检测单元组成,所述大车行进位置记录单元由两个安装于大车台车行走的从动轮轴头上的通过耦合器相连接的绝对值编码器暗组成,所述绝对值编码器为16位单圈编码器、采用DP通讯,防护等级位IP68,所述绝对值编码器安装于堆取料机台车行进方向的左右两侧对称的从动轮上,所述的绝对值编码器设置为主从应用模式,当两者相对误差大于100cm,可根据应用情况切换主从位置;所述回转位置记录单元包括安装于回转大轴承上通过齿形耦合器连接的绝对值编码器、回转驱动电机尾部的高速绝对值编码器,以及回转水平0°位置赋值校验装置,所述值编码器均为16位单圈编码器、采用DP通讯,防护等级位IP68,所述回转位置的记录值采用所述的两个绝对值大的编码器的算术平均值,且两个偏码器的相对误差不能超过1°,所述回转水平0°位置赋值校验装置包含安装与堆取料机行进方向中心线的门座平台上的校正挡铁,以及堆取料机上门架的回转一级平台下底部的电感式接近开关;所述校正挡铁为小长方形:长3cm*宽1cm,所述电感式接近开关为螺纹圆柱形、常开开关,防护等级IP67,工作电压15-30V,感应距离10mm;所述臂架升降角度检测单元由两个安装于臂架根部左右两侧对称位置(臂架俯仰铰点附近)的倾角仪、升降0°赋值校准装置组成,所述倾角仪为分体式倾角仪、测量精度0.15°,测量范围360°,可分体更换传感器模块,且安装后支架不用拆卸,更新传感器时也无需重新调整或校准,简单便捷;所述大车位置校准系统由RFID阅读头、磁钉组成,所述RFID阅读头安装于堆取料机接受皮带的机架上,间隔5米/个,所述RFID阅读头安装与堆取料机尾车横梁靠近地面改向滚筒附近,该安装位置不易受到撒漏煤炭冲击,扬尘少;所述大车位置校准系统伴随大车行进,每隔5米对大车位置进行校准;所述斗轮堆取料机姿态定位子系统通过基地光纤通讯链路将斗轮堆取料机三维姿态数据发送至中控楼数据处理服务器,工业数据处理服务器汇总、分析处理后的得到堆取料的三维姿态信息,并通过企业内部局域网发送至数据处理中枢装置;所述斗轮堆取料机姿态定位子系统可将堆场内的斗轮堆取料机的实时位姿(门架中心点、及臂架位置)信息传输到智能管控平台,智能管控平台汇总处理后将其以运动曲线的形式,贴于数字孪生堆场的最顶层,使得每班次员工可在智能管控平台上获取并确认斗轮堆取料机的实时位置,为生产的排布提供决策依据,同时,避免车辆转栈、提货,流动机械堆场归堆、耙位、开堆等作业与斗轮堆取料相互干涉,甚至发生碰撞,也可避免相邻斗轮堆取料机堆取作业臂架发生干涉碰撞的安全事故;同时,智能管控平台可通过多个生产信息的比对、校验,确认现场的生产情况,如生产业务系统的大船昼夜计划、驳船疏运计划、转栈计划,煤矿系统作业流程排布,电子秤管理系统等,多元信息的综合比对,确保生产不仅按生产调度进行,且安全有序。
具体地,所述电子秤管理子系统为散货港口卸船码头前沿、堆取料机臂架称、及装驳码头前沿的皮带电子秤的统筹管控平台,所述卸船、装驳码头前沿地面皮带秤及堆取料机臂架秤数据通过光纤链路传输至系统服务器,同时,系统服务器读取中控系统流程作业信息,系统运用大数据技术进行数据共享、分析、统计、溯源查验,实现所有皮带电子秤在中控端统一管控、集成显示,具备在线作业监控、汇总、分析、统计、查询功能,可实时显示流程作业设备号、电子秤品牌、型号、速度,瞬时流量和累计吨数等;所述电子秤管理子系统在斗轮堆取料机上也安装了触摸显示装置,操作司机可通过登录员工账号进入系统,所述触摸显示装置为触摸显示屏及其可调节安装支架,显示屏上可显示作业流程号,建议取料量、累计取料量、瞬时流量、皮带余料等作业参数;所述皮带余料为斗轮堆取料机取上皮带的物料已过了堆取料机臂架秤而在水平运输皮带流转的未到达装驳码头前言地面皮带秤的货物量;所述电子秤管理子系统基于智能管控平台的机器学习模块(即机器自学习平台)进行开发:运用ELU激活函数、mse均方差损失函数以及adam梯度下降算法构建自学习模型;采集前90%时间内计量数据为基础数据集,67%为学习集,33%为测试集,在线精确拟合测算斗轮机臂架秤计量误差及修正系数,精准预测流程皮带余料,实现无控料装船;所述电子秤管理子系统采用限幅消抖滤波算法对计量数据采集校验:系统构建限幅消抖滤波算法模型,采集累计量设定限值,计值与上一次记录过大过小,则忽略本次数值,实际累计小于仪表记录累计量5次,系统自动判断为现场仪表清零,系统对采集数据进行自动判别、比较、校验,消除数据脉冲性抖动,屏蔽数据采集过程引起的误差,提高数据采集的精确度。
具体地,该智能管控平台还包括机器学习模块,所述电子秤管理子系统在机器学习模块(即机器自学习平台)的支持下,可精准推送计量数据;当多条装驳流程作业时,系统自动实现本条作业线计量数据精准推送给斗轮机司机,方便司机端实时监控本条流程作业计量数据和设备运行状况,高效的完成作业任务;所述电子秤管理子系统集计量数据采集校验、溯本回源、智能余料预测、称量系数自修正等功能于一体,智能管控平台通过获取电子秤管理系统的生产数据【含装驳、卸船流程号、电子秤设备号、电子秤表头数据(瞬时流量、累计流量、皮带速度)、所需取料量、皮带余料及建议取料量等】,实时监控现场生产进程,把握生产进度,为精细化堆场昼夜疏卸计划提供实时数据支持,从而更好的发挥智能管控平台的居中调配、指挥作用,真正做到智能管控生产,及时对现场生产进行介入和干预,确保各环节衔接紧密,生产安全、高效、有序开展。
具体地,所述生产业务模块为散货码头散货集散疏运系统,包含大船昼夜接卸计划、驳船排布信息等,具备统筹散货接卸、堆存、转栈及出库管理功能;所述数据处理中枢装置为可根据用户需求和现场实际工况而自行搭建的数据收集处理中枢,所述数据处理中枢装置采用多台双路机架式高性能的应用服务器、预置的虚拟化软件和操作系统进行搭建;数据处理中枢装置包含机架式服务器组、磁盘存储阵列、交换机等设备,预置虚拟化软件和操作系统软件;所述服务器组和磁盘存储阵列由虚拟化软件按需求划分为若干虚拟的服务器和共享存储单元;所述高性能应用服务器的配置:双CPU,每CPU至少10核;内存:256GB;3180阵列卡;1TSSSD*2,电源:双750W电源;所述磁盘存储阵列为ATA硬盘存储器,采用Serial ATA接口规范,不少于4T*8;串行连接方式,使用嵌入式时钟信号,具备极强的纠错能力,可对传输指令进行检查、自动校正,数据传输安全高效;结构简单;支持热插拔;传输速率6Gbps/s;所述交换机为万兆网络核心交换机,用于服务器组之间、服务器与ATA存储器之间的万兆网络连接,保证数据交换和存储的高实时性;同时分别配备千兆级全自动系统网络交换机用于无人机子系统、斗轮堆取料机姿态定位子系统和电子秤管理子系统、生产业务系统的网络接入。
具体地,所述3D建模模组挂靠在飞行器单云台支架上,借助飞行器建模巡航航线,实现散货堆场的倾斜摄影测绘,为孪生数字堆场提供建模数据支持;主要技术指标主要有防护等级IP4X,工作温度-20℃至50℃;绝对精度:平面精度:3cm,高程精度:5cm**GSD=3cm,飞行速度15m/s,航向重叠率70%,旁向重叠率70%;传感器尺寸(照片):35.9×24mm(全画幅);传感器尺寸(最大视频尺寸):34×19mm;有效像素:4500万;像元大小:4.4μm。
具体地,所述热成像模组挂靠在飞行器单云台支架上,借助飞行器日常巡检航线,实现散货堆场的表面温度监测和散货堆场智能巡检;主要技术指标为热成像传感器类型:非制冷化钒(VOx)微测热辐射计;数字变焦;1x,2x,4x,8x;混合光学变焦:23×,最大变焦倍数:200×;联动拍摄:变焦、广角、热成像相机同时拍照/录像;夜景模式支持(变焦相机);测温范围:-40℃至150℃(高增益模式),-40℃至550℃(低增益模式);支持高温警报:可点测温、区域测温。
所述飞行管理中心具备专业航测功能;航线规划:旁向重叠率≥70%,航向重叠率≤80%,挖方补方功能测绘软精确测算散货体积和推测重量误差≤1%;自动整合巡航数据,建模过程傻瓜式一键自动完成。
具体地,所述无人机充电机库,配备归中系统、充电系统、远程通讯系统、恒温系统等模块,采用全自动机库运行方式,结合多传感器及智能算法,实现无人机自动起飞、存放、充电,及机库内各类设备的状态检测,保障机库内部设备处于恒温恒湿环境,同时配合气象监测模块接入国家气象局气象大数据,实现对机库周边环境要素的实时监测,包括温度、湿度、风向、风力、雨量、气压等,保障无人机作业的安全可靠,满足无人机全天候智能自主巡检需求。
具体地,所述归中系统为对无人机降落后进行回中调整,主要由步进电机、联轴器、归中丝杠、回中杆组成,所述步进电机数量4台,联轴器8个、归中丝杠8条、回中杆4条;所述步进电机分别位于停机坪东南西北四面,步进电机通过联轴器分别与每面的两条转动方向相反的丝杆连接,通过步进电机驱动丝杠转动,从而驱动回中杆相向、相对移动,从而推动在停机坪上的无人机回到中间位置;所述回中杆为合金中空结构;所述归中系统可通过智能控制步进电机的启停,控制归中杆向中间匀速靠拢,然后缓慢推动无人机归中,最后使无人机在中心点方正的存储于机库中;所述充电系统为在正对无人机充电机库的东西两面的中空回中杆上安装对接无人机起落架四脚的充电插头,无人机降落后归中系统先智能控制回中杆运动,将无人机推回正中,然后,精确对接无人机起落架电池充电口,从而完成无人机的自动充电;使得无人机无需更换电池,无需人为介入充电,便可循环往复的进行日常的巡检、理货作业,充分发挥无人机的高机动性能,运用倾斜摄影测绘技术、热成像技术等,实现料堆插旗管理,货物堆存周期监测、煤炭自燃预警等示范性应用,能高速自主巡检煤矿堆场,显著提高堆场巡检效率和降低库场管理人员劳动强度,提高散货储运管理水平。
具体地,堆场可视化系统建模过程为无人机系统飞行管理中心下发建模任务至无人机智能充电机库,机库检查、校验无人机性能、气象条件、及RTK定位卫星数量,满足起飞条件后,根据作业指令驱动无人机进行巡航任务,无人机按照已设定好并经过验证的任务航线指令飞行,同时,为实现建模巡检过程中的实时监控,采用“HDMI+光纤”的实时推流方法,主要做法是运用HDMI线前端接入无人机遥控器手柄,通过高清数字视频接口将无人机高速巡检实时高清画面进行传输,然后在HDMI线末端接入HDMI光纤传输器,将高清数字信号转换为光信号,然后通过独立光纤局域网传输至一线库场管理人员远程网页登录的工作电脑,从而实现高清推流,该方法不仅传输距离远,且画面无延时,最高支持4K高清画质,如果生产管理需要,还可在光纤末端在安装一个HDMI光纤传输器,然后实现双路或三路输出,即实现无人机推流画面多屏显示。完成任务的无人机将自动返航降落到充电机库,然后将3D建模模组的倾斜摄像资料通过局域网传输至后方数据处理中枢,机库为无人机和数据处理中枢提供数据接口;数据处理中枢装置的建模服务器运行制图测绘软件自主汇总、分析、校验并建模,建模服务器完成建模后将堆场料堆三维数字孪生空间模型发送至飞行管理中心,飞行管理中心处理后最后将堆场料堆三维数字孪生空间模型发送至智能管控平台。
具体地,无人机子系统采用分区域分界点的方式集群建模,即将散料堆场根据现场实际的关键区域、关键节点模块化切割为3个部分;无人机完成建模巡检任务后,将堆场摄像数据上传至建模拟化资源池,飞行管理平台整理、汇总、分析后,依据划分的3个区域空间三维分割线分别将各个区域相涉及的摄像资料发送至不同的3个建模分服务器中,建模分服务器完成建模后将完成的区域三维模型存储于模型汇集拟化资源池中,飞行管理中心从模型汇集拟化资源池中提取全部区域模型并进行整合,处理后得到料堆的全景三维模型;飞行管理中心将料堆全景三维模型发送至全景拟化资源池中,可让智能管控平台进行调用。
具体地,无人机子系统分区域的方法为:飞行管理平台整理根据现场堆场分布情况,规划出三个建模范围与三维重建周期基于相同的区域,然后在全景建模航线上将不同航点归入不同建模区域,并构筑三维地标;无人机巡检完后,回传摄像数据至数据处理中枢装置的建模拟化资源池,飞行管理平台整理根据摄像数据的三维地标,导入至建模分服务器中并完成分区域建模,飞行管理中心再根据分界三维地标对分区域模型进行拟合拼接,从而得到全景模型;所述的分区域集群建模不仅可降低对建模服务器性能的要求,还可克服建模软件本身的限制,在无法提高服务器性能及优化软件策略时,分区域集群建模通过化整为零,可大幅缩减数字堆场的孪生时间,为堆场管理提供更快、更及时的数字生产场景,从而提高数字孪生堆场的数据实时性,提高其在生产决策中的参考价值;同时分区域集群建模的高效及时才可充分发挥智能管控平台的真正作用,达到远观就是现场的效果,促进堆场管理向绿色、平安、智能发展的新征程迈进。
具体地,无人机子系统测温过程为飞行管理中心下发测温任务至无人机智能充电机库,机库检查、校验无人机性能、气象条件、及RTK定位卫星数量,满足起飞条件后,根据作业指令驱动无人机进行巡航任务,无人机按照已设定好并经过验证的任务航线指令飞行,完成任务后自动返航降落到充电机库,然后将测温模组的倾斜摄像资料通过局域网传输至后方数据处理中枢,机库为无人机和数据处理中枢提供数据接口;数据处理中枢装置的飞行管理中心服务器及建模服务器自主汇总、分析、处理后,将堆场料堆表面温度信息记录并自动匹配至料堆全景三维模型中,料堆煤炭表面温度超过设定温度阈值,系统发出自燃预警。
具体地,无人机子系统通过控制平台控制RTK飞行器智能巡航堆场,借助倾斜摄影测绘技术、热成像技术及制图软件,真实还原现场生产场景,并精确测绘每个独立货堆的物料体积、表面温度,获得实景航拍模型;无人机子系统通过空堆场航拍模型,获取真实三维地理信息,形成电子地图,作为孪生堆场基础框架,然后与货堆航拍建模比对,利用数字高程公式,方块化自主匹配货堆信息,最终以三维地理信息为核心,综合堆存计划表、电子地图和三维模型等多元数据,生成数字生产场景,实现散货接卸、堆存、转栈、出库生命周期全过程跟踪,物料堆村体积测量及重量推测,温度异常预警,货物信息推送等功能。
具体地,无人机子系统将散货堆场分成多个区域,然后选取关键节点并使用多台虚拟建模服务器分区域分节点同时建模,然后将获得的区域航拍模型上传至IDC服务器资源池中,承接最终建模的汇集虚拟建模服务器完成模型拼接,最后得到堆场生产模型,可大幅度缩减建模周期。
具体地,无人机子系统的堆存计划表由现场库场管理人员根据实际生产情况制定并使用excel一次性导入数据处理中枢堆存计划表资源池中,飞行管理平台读取堆场生产排布计划,并智能识别、自主匹配并导入航拍模型总图中的相应料堆插旗模块内,实现插旗标识。
具体地,智能管控平台具备多图层显示功能,包含堆场独立料堆插旗显示、2D堆场实景图、3D堆场实景图、3D矢量堆位标示、料堆高程3D显示、斗轮堆取料机每班次运行轨迹图、料堆生命周期全过程记录显示(包含体积、重量变化曲线图)、每班次卸船量、出货量(流程转驳量及其他方式疏运量);通过公司内网共享端口读取港口生产业务系统信息,包括客户名称、船名、达港时间、计划接卸量、接卸时间、堆存堆位,然后将信息存放至生产信息资源池中,智能管控平台读取相关信息,并将其用于完善堆场数字资产;通过公司内网共享端口读取煤矿系统电子秤集中管理子系统信息,该信息包含选定的装卸船生产流程、卸船前沿码头皮带电子秤计量信息、装船前沿码头商用皮带电子秤计量信息、斗轮机取料量、流程皮带余料信息,然后将信息存放至计量信息资源池中,智能管控平台读取相关信息,并将其用于完善堆场数字资产;将信息推送内容(包含客户名称,船名、接卸时间、存放堆位,出货量,现存量)通过公司内网发送至库场管理员OA,库场管理元补充修正后上传至智能管控平台信息推送资源池,智能管控平台信息推送系统依据用户名称、账户权限,推送报文,告知生产决策者现场生产情况,从而实现资产数字化、生产透明化,并且大幅度提高货运服务水平。
实施例4
实施例4是于实施例1的基础上作出的进一步优化的技术方案;
所述基础层包括设备及物理层(包括斗轮堆取料机姿态定位子系统、电子秤管理子系统、无人机子系统、公司局域网络)、堆场可视化基础设施(包括服务器、存储、公司局域网络)、平台层(包含斗轮堆取料机姿态信息结构化、电子秤秤量结构化、生产信息结构化、堆场数据建模和分析、堆场倾斜摄影测绘照片);
所述的通过数据处理中枢装置的一基础层和数据处理中枢装置的一平台系统操作层实现所有关系式的闭环的具体控制过程包括以下步骤:
步骤Ⅰ:依托斗轮堆取料机姿态定位子系统、电子秤管理子系统、无人机子系统感知堆场的环境、设备信息,并通过公司局域网络发送至孪生可视化云基础设施,建立数据接口,获取生产系统数据;然后执行步骤Ⅱ;
步骤Ⅱ:堆场可视化基础设施对数据进行过滤、清洗、分析、汇总、存储;然后执行步骤Ⅲ;
步骤Ⅲ:堆场可视化基础设施将斗轮机位置信息、电子秤称量量、堆场倾斜摄影测绘照片、生产计划等数据发送至平台层;然后执行步骤Ⅳ;
步骤Ⅳ:平台层依据堆场倾斜摄影测绘照片进行堆场三维建模及分析,生成数字孪生堆场初级模型;然后执行步骤Ⅴ;
步骤Ⅴ:平台层将斗轮堆取料机姿态信息结构化、电子秤秤量结构化、生产信息结构化;
并且平台层将处理完的包括斗轮堆取料机姿态信息、电子秤秤量及生产信息的结构化数据与数字孪生堆场初级模型进行融合,从而建立全要素静态场景,数据驱动模型,最后建立一个实时更新的数字生产场景,用于打造可视化堆场数字孪生基础,以支撑堆场散料堆存周期各项活动的决策。
实施例5
实施例5是于实施例2的基础上作出的进一步优化的技术方案;
所述基础层包括设备及物理层(包括斗轮堆取料机姿态定位子系统、电子秤管理子系统、无人机子系统、公司局域网络)、堆场可视化基础设施(包括服务器、存储、公司局域网络)、平台层(包含斗轮堆取料机姿态信息结构化、电子秤秤量结构化、生产信息结构化、堆场数据建模和分析、堆场倾斜摄影测绘照片);
所述的形成通过由堆场孪生场景-生产信息源-斗轮堆取料机姿态-电子秤称量构筑的基础层和平台系统操作层实现的所有关系式的闭环的具体控制过程包括以下步骤:
步骤Ⅰ:依托斗轮堆取料机姿态定位子系统、电子秤管理子系统、无人机子系统感知堆场的环境、设备信息,并通过公司局域网络发送至孪生可视化云基础设施,建立数据接口,获取生产系统数据;然后执行步骤Ⅱ;
步骤Ⅱ:堆场可视化基础设施对数据进行过滤、清洗、分析、汇总、存储;然后执行步骤Ⅲ;
步骤Ⅲ:堆场可视化基础设施将斗轮机位置信息、电子秤称量量、堆场倾斜摄影测绘照片、生产计划等数据发送至平台层;然后执行步骤Ⅳ;
步骤Ⅳ:平台层依据堆场倾斜摄影测绘照片进行堆场三维建模及分析,生成数字孪生堆场初级模型;然后执行步骤Ⅴ;
步骤Ⅴ:平台层将斗轮堆取料机姿态信息结构化、电子秤秤量结构化、生产信息结构化;
并且平台层将处理完的包括斗轮堆取料机姿态信息、电子秤秤量及生产信息的结构化数据与数字孪生堆场初级模型进行融合,从而建立全要素静态场景,数据驱动模型,最后建立一个实时更新的数字生产场景,用于打造可视化堆场数字孪生基础,以支撑堆场散料堆存周期各项活动的决策。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种散货码头数字孪生可视化堆场智能管控系统,其特征在于,该智能管控系统包括智能管控平台、数据处理中枢装置、无人机子系统、斗轮堆取料机姿态定位子系统和电子秤管理子系统;该智能管控平台集成于一数据处理中枢装置中,数据处理中枢装置通过若干台应用服务器、预置的虚拟化软件和操作系统进行搭建,数据处理中枢装置用于分析处理无人机子系统和斗轮堆取料机姿态定位子系统的三维信息;
该智能管控平台分别与无人机子系统、斗轮堆取料机姿态定位子系统、电子秤管理子系统进行通信,无人机子系统用于获取堆场真实三维地理信息,并重塑堆场孪生三维空间模型,从而生成堆场数字生产场景;斗轮堆取料机姿态定位子系统用于获取斗轮堆取料机的三维姿态数据;电子秤管理子系统用于获取码头指定电子秤的皮电子秤作业参数信息;
该智能管控平台包括生产业务模块、网络架构定义模块、要素信息供给网络确立模块和功能模型确立模块;生产业务模块用于集成分析关于码头散货集散疏运的生产业务信息;要素信息供给网络确立模块用于确定以堆场真实三维地理信息为基础框架的可操作数据存储(ODS)模型;
功能模型确立模块用于向可操作数据存储(ODS)模型反映通过无人机子系统、生产业务模块、斗轮堆取料机姿态定位子系统和电子秤管理子系统进行机器自学习获得的叠加关系式,从而通过数据处理中枢装置的一基础层和数据处理中枢装置的一平台系统操作层实现所有关系式的闭环,该基础层由堆场孪生场景、生产信息源、斗轮堆取料机姿态和电子秤称量构筑。
2.根据权利要求1所述的散货码头数字孪生可视化堆场智能管控系统,其特征在于,所述无人机子系统包括无人机、视频录制模组、设于无人机上的3D建模单元、设于无人机上的热成像测温单元和飞行管理中心单元;
无人机作为飞行至散货码头上空作业的飞行载体;视频录制模组用于录制散货码头作业现场的视频信息;3D建模单元用于对散货码头作业现场进行3D扫描建模;热成像测温单元用于对散货码头作业现场进行测温从而生成热成像测温信息;飞行管理中心单元用于集成处理视频录制模组、3D建模单元和热成像测温单元的信息,生成堆场料堆三维数字孪生空间模型并将堆场料堆三维数字孪生空间模型传输至数据处理中枢装置,然后将经数据处理中枢装置处理的堆场料堆三维数字孪生空间模型送至智能管控平台。
3.根据权利要求2所述的散货码头数字孪生可视化堆场智能管控系统,其特征在于,数据处理中枢装置内设有建模服务器,该建模服务器运行内置的制图测绘软件自主汇总、分析、校验并建模,该建模服务器完成建模后将堆场料堆三维数字孪生空间模型发送至飞行管理中心单元,飞行管理中心单元处理完成后将堆场料堆三维数字孪生空间模型发送至智能管控平台;
飞行管理中心单元将散货堆场分成多个区域,然后选取关键节点并使用数据处理中枢装置的多台虚拟建模服务器分区域分节点同时建模,然后将获得的区域航拍模型上传至数据处理中枢装置的IDC服务器资源池中,通过数据处理中枢装置的承接最终建模的汇集虚拟建模服务器完成模型拼接,最后得到反映堆场生产的堆场料堆三维数字孪生空间模型。
4.根据权利要求2所述的散货码头数字孪生可视化堆场智能管控系统,其特征在于,无人机子系统还包括无人机智能充电机库,飞行管理中心单元集成于数据处理中枢装置中,无人机子系统进行热成像测温过程包括如下步骤S100-S300:
S100,飞行管理中心单元下发测温任务至无人机智能充电机库,无人机智能充电机库检查、校验无人机性能、气象条件及RTK定位卫星数量,满足起飞条件后,根据作业指令驱动无人机进行巡航任务,然后执行S200;
S200,无人机按照已设定好并经过验证的任务航线指令飞行,完成任务后自动返航降落到无人机智能充电机库,然后将热成像测温单元的倾斜摄像资料通过局域网传输至数据处理中枢装置,无人机智能充电机库为无人机与数据处理中枢装置的通信提供数据接口,然后执行S300;
S300,飞行管理中心单元的建模服务器自主汇总、分析、处理后,将堆场料堆表面温度信息记录并自动匹配至料堆全景三维模型中,当料堆表面温度超过设定温度阈值,发出自燃预警。
5.根据权利要求2所述的散货码头数字孪生可视化堆场智能管控系统,其特征在于,无人机子系统进行3D建模过程包括如下步骤S1000-S2000:
S1000,将堆场流转变量采用数字高程模型与不同时间节点的堆场高程数据、空堆场高程数据进行比对校验,达成固定地理坐标差值最小化,以保证数字高程模型精确度,并使用地理信息系统展示堆场高程空间分布,然后执行S2000;
S2000,运用无人机倾斜摄影测绘照片,并采用连续方块化等值线方式实现堆场高程空间分布实景还原。
6.根据权利要求2所述的散货码头数字孪生可视化堆场智能管控系统,其特征在于,该智能管控平台还包括机器学习模块,该机器学习模块设有一神经网络回归算法模型,该智能管控平台与斗轮堆取料机姿态定位子系统的交互过程包括如下步骤S10-S20;
S10,通过神经网络回归算法模型,提取斗轮堆取料机姿态定位子系统中斗轮机在一段时间内的姿态变化数据和堆场可视化系统的高程信息,然后执行S20;
S20,机器学习模块在线学习、生成斗轮堆取料机姿态函数,使得斗轮堆取料机姿态定位子系统反馈值于视频录制模组的产生摄像值的误差最小,并修正斗轮机变化运动轨迹,并将运动轨迹置于堆场高程模型上展示,从而实时显示斗轮机作业运动变化,为库场管理、生产组织提供重要的准确的决策数据支持。
7.根据权利要求1-6任一项所述的散货码头数字孪生可视化堆场智能管控系统,其特征在于,生产业务模块包括以下的一个、任意两个或三个工作任务:
任务①,从导入的堆存信息计划表获取堆场货源信息;
任务②,提取电子秤管理子系统一段时间内的作业信息;
任务③,提取一段时间内的堆存累计分析模型,然后在线学习关于堆场料堆的体积测算及堆场料堆的重量推测数据相对实际出货量及堆场库存量的修正系数,然后生成堆场可视化系统的体积测算及其重量推测修正函数。
8.根据权利要求3所述的散货码头数字孪生可视化堆场智能管控系统,其特征在于,飞行管理中心单元将散货堆场分成多个区域的过程包括以下步骤:
步骤一,飞行管理中心单元整理根据现场堆场分布情况,规划出三个建模范围与三维重建周期基于相同的区域,然后在全景建模航线上将不同航点归入不同建模区域,并构筑三维地标,然后执行步骤二;
步骤二,无人机巡检完后,回传摄像数据至数据处理中枢装置的建模拟化资源池,飞行管理中心单元整理根据摄像数据的三维地标,导入至数据处理中枢装置的建模分服务器中并完成分区域建模,飞行管理中心单元再根据分界三维地标对分区域模型进行拟合拼接,从而得到堆场孪生三维空间模型。
9.一种散货码头数字孪生可视化堆场智能管控系统的构建方法,其特征在于,所述的散货码头数字孪生可视化堆场智能管控系统包括智能管控平台、数据处理中枢装置、无人机子系统、斗轮堆取料机姿态定位子系统和电子秤管理子系统,该构建方法包括以下步骤:
S1,安装数据处理中枢装置、无人机子系统、斗轮堆取料机姿态定位子系统和电子秤管理子系统,然后执行S2;
S2,智能管控平台集成于一数据处理中枢装置中,将智能管控平台分别与无人机子系统、斗轮堆取料机姿态定位子系统、电子秤管理子系统进行通信;
S2包括以下步骤:
S21,定义网络架构:将智能管控平台、无人机子系统、斗轮堆取料机姿态定位子系统和电子秤管理子系统定义为物理设备的组合构成的要素信息供给网络,然后执行S22;
S22,确立要素信息供给网络:确定以堆场真实三维地理信息为基础框架的可操作数据存储(ODS)模型,然后执行S23;
S23,确立机器自学习系统模型:向于S22中确立的可操作数据存储(ODS)模型反映一叠加关系式,该叠加关系式通过对智能管控平台、无人机子系统、斗轮堆取料机姿态定位子系统和电子秤管理子系统的数据进行机器自学习而获得,以形成通过由堆场孪生场景-生产信息源-斗轮堆取料机姿态-电子秤称量构筑的基础层和平台系统操作层实现的所有关系式的闭环。
10.根据权利要求9所述的散货码头数字孪生可视化堆场智能管控系统的构建方法,其特征在于,S2还包括于S23之后执行的步骤:
S24,将堆场流转变量采用数字高程模型与不同时间节点的堆场高程数据、空堆场高程数据进行比对校验,从而达成固定地理坐标差值最小化,保证数字高程模型精确度;然后使用地理信息系统展示堆场高程空间分布,运用无人机倾斜摄影测绘照片,采用连续方块化等值线方式实现堆场高程空间分布实景还原,然后执行S25;
S25,搭建神经网络回归算法模型,提取斗轮堆取料机姿态定位子系统中斗轮机在一段时间内的姿态变化数据和无人机子系统的高程信息,通过神经网络回归算法模型在线学习、生成斗轮堆取料机姿态函数,使得斗轮堆取料机姿态定位子系统反馈值于智能管控平台摄像值产生的误差最小,并修正斗轮机变化运动轨迹,并将运动轨迹置于堆场高程模型上展示,实时显示斗轮机作业运动变化,为库场管理、生产组织提供重要的准确的决策数据支持,然后执行S26;
S26,将散货码头数字孪生可视化堆场以实际堆场堆位、米数及货源进行矩形化划分,并分图层显示,堆场堆位以空堆场RTK数据为框架,构建矩形堆场的点面,堆场米数以堆场实际米数标识方向标注,然后执行S27;
S27,从导入的堆存信息计划表获取堆场货源信息,然后以堆位、米数为抓取基准,在堆场高程空间分布孪生数字堆场实景图上划定货源矩形区域,并采用多图层展示;并且提取电子秤管理子系统一段时间内的系统作业信息,构建堆存累计分析模型,分析库场作业数据,综合分析结果对平台堆场矩形化管理数据进行清洗、整理,并建立生产单个、多个或全部堆场的作业曲线模型、库场堆存模型及堆存计划指导模型,然后执行S28;
S28,平台提取一段时间内的堆存累计分析模型,以大船名、货量、靠离港时间为提取基准,获取同一大船、同一单号、同一票货的散货堆存累计变化信息,再采用若干层神经网络的回归算法模型,运用机器自学习平台,在线学习智能管控平台的体积测算及其重量推测数据相对实际出货量及堆场库存量的修正系数,生成堆场可视化系统的体积测算及其重量推测修正函数,然后执行S29;
S29,通过网络客户端远程登录,借助推流-拉流-专线查看散货码头数字孪生可视化堆场。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311833793.0A CN117787907B (zh) | 2023-12-28 | 2023-12-28 | 散货码头数字孪生可视化堆场智能管控系统及其构建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311833793.0A CN117787907B (zh) | 2023-12-28 | 2023-12-28 | 散货码头数字孪生可视化堆场智能管控系统及其构建方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117787907A true CN117787907A (zh) | 2024-03-29 |
CN117787907B CN117787907B (zh) | 2024-07-23 |
Family
ID=90386919
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311833793.0A Active CN117787907B (zh) | 2023-12-28 | 2023-12-28 | 散货码头数字孪生可视化堆场智能管控系统及其构建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117787907B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021108680A1 (en) * | 2019-11-25 | 2021-06-03 | Strong Force Iot Portfolio 2016, Llc | Intelligent vibration digital twin systems and methods for industrial environments |
CN114545877A (zh) * | 2022-02-08 | 2022-05-27 | 燕山大学 | 一种面向散货的多工程机械数字孪生在线监控系统及方法 |
CN115018903A (zh) * | 2022-08-10 | 2022-09-06 | 安维尔信息科技(天津)有限公司 | 一种堆场料堆体积计算方法及系统 |
CN116030425A (zh) * | 2023-03-29 | 2023-04-28 | 山东朝辉自动化科技有限责任公司 | 基于无人机激光扫描的料场物料监控方法、系统及应用 |
KR20230087783A (ko) * | 2021-12-10 | 2023-06-19 | (주)뉴젠아이엔에스 | 디지털 트윈 기반 안전 교육 시스템 |
CN116362501A (zh) * | 2023-03-29 | 2023-06-30 | 秦皇岛燕大滨沅科技发展有限公司 | 一种散货港口智慧生产管控系统 |
CN116863071A (zh) * | 2023-06-20 | 2023-10-10 | 江苏兴旺物流有限公司 | 一种基于ue5的码头可视化系统及方法 |
-
2023
- 2023-12-28 CN CN202311833793.0A patent/CN117787907B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021108680A1 (en) * | 2019-11-25 | 2021-06-03 | Strong Force Iot Portfolio 2016, Llc | Intelligent vibration digital twin systems and methods for industrial environments |
KR20230087783A (ko) * | 2021-12-10 | 2023-06-19 | (주)뉴젠아이엔에스 | 디지털 트윈 기반 안전 교육 시스템 |
CN114545877A (zh) * | 2022-02-08 | 2022-05-27 | 燕山大学 | 一种面向散货的多工程机械数字孪生在线监控系统及方法 |
CN115018903A (zh) * | 2022-08-10 | 2022-09-06 | 安维尔信息科技(天津)有限公司 | 一种堆场料堆体积计算方法及系统 |
CN116030425A (zh) * | 2023-03-29 | 2023-04-28 | 山东朝辉自动化科技有限责任公司 | 基于无人机激光扫描的料场物料监控方法、系统及应用 |
CN116362501A (zh) * | 2023-03-29 | 2023-06-30 | 秦皇岛燕大滨沅科技发展有限公司 | 一种散货港口智慧生产管控系统 |
CN116863071A (zh) * | 2023-06-20 | 2023-10-10 | 江苏兴旺物流有限公司 | 一种基于ue5的码头可视化系统及方法 |
Non-Patent Citations (1)
Title |
---|
顾建祥;杨必胜;董震;杨常红;: "面向数字孪生城市的智能化全息测绘", 测绘通报, no. 06, 25 June 2020 (2020-06-25) * |
Also Published As
Publication number | Publication date |
---|---|
CN117787907B (zh) | 2024-07-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11610493B1 (en) | Unmanned aerial vehicles utilized to collect updated travel related data for deliveries | |
US10777004B2 (en) | System and method for generating three-dimensional robotic inspection plan | |
US10676107B2 (en) | Demand-based distribution of items using intermodal carriers and unmanned aerial vehicles | |
CN104220351B (zh) | 用于便于从车辆上卸载农业物料的方法和立体视觉系统 | |
US10633093B2 (en) | Three-dimensional robotic inspection system | |
US10421542B2 (en) | Mobile fulfillment centers with intermodal carriers and unmanned aerial vehicles | |
US9950814B1 (en) | Ground-based mobile maintenance facilities for unmanned aerial vehicles | |
US10248120B1 (en) | Navigable path networks for autonomous vehicles | |
CN109901625B (zh) | 一种桥梁巡检系统 | |
CN110462656B (zh) | 具有联运运载器和无人驾驶飞行器的移动运营中心 | |
US20100305782A1 (en) | Airborne right of way autonomous imager | |
US20210209543A1 (en) | Directing secondary delivery vehicles using primary delivery vehicles | |
US11715295B2 (en) | Construction field management equipment and construction field managing method | |
CN104154861A (zh) | 大型堆积物料体积绕行测量装置和方法 | |
CN113075686B (zh) | 一种基于多传感器融合的电缆沟智能巡检机器人建图方法 | |
Kersten et al. | Potentials of autonomous UAS and automated image analysis for structural health monitoring | |
Zhang et al. | Unmanned aerial vehicle navigation in underground structure inspection: A review | |
Bobbe et al. | Reactive Mission Planning for UAV based crane rail inspection in an automated Container Terminal | |
CN117787907B (zh) | 散货码头数字孪生可视化堆场智能管控系统及其构建方法 | |
CN116185054A (zh) | 基于微型激光雷达的无人机输电线路巡检方法及系统 | |
CN112764045A (zh) | 一种基于激光雷达的无人驾驶集卡装箱的精确对位方法 | |
CN112764044A (zh) | 一种基于激光雷达的无人驾驶集卡卸箱的精确对位方法 | |
CN117742358A (zh) | 一种无人机城轨列车巡检机器人系统 | |
US20240210177A1 (en) | Topometric map based autonomous navigation for inventory drone | |
ter Haar et al. | A 3D World Interpreter System for Safe Autonomous Crane Operation. Robotics 2024, 13, 23 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |